文章核心观点 - 谷歌在Gemini 4 Argon发布仅两周后火速推出新旗舰Gemini 4 Carbon，在Artificial Analysis智能指数5.0中以59分登顶全球第一，超越Claude Opus 5.5和GPT-6 Astra [2] - Carbon在智商、长程编程、代码安全与防作弊上全面反超Opus 5.5，并实现100%免疫提示词注入 [6][7] - 谷歌内部已形成用顶尖AI辅助训练、评估和优化下一代AI的循环，RSI（递归自我改进）全面提速 [49] 综合基准表现 - AA Index v5.0：Carbon得分59分，高于GPT-6 Astra的57分、Argon的50分、Claude Fable 5.1的49分 [9] - Vals Index v2.2：Carbon以70.4%微弱领先Opus 5.5的70.2%，Astra为65.0% [9][17] - 在谷歌自己公布的表格中，FrontierSWE 2上Carbon为61.2%，落后于Astra的65.5%和Opus 5.5的62.3% [19] - OSWorld-2.1离线子集上Opus 5.5以87.2%保持第一，Carbon为81.5% [19] - 搭配官方CLI工具的Coding Agent专项指数上，Carbon配合Antigravity CLI得59分，以3分之差次于Claude Code加持下的Opus 5.5（62分） [19] 编程与终端工程能力 - Terminal-Bench 4.0（AA测试集）：Carbon拿到65.2%，领先Opus 5.5的59.6%和GPT-6 Astra的59.1% [14] - Terminal-Bench-Science 0.1：Carbon以64.8%位列第一，Opus 5.5为59.0% [14] - SWE-sweep：Carbon为9.6%，Astra为9.5%，Argon为4.3%，Opus 5.5为3.6% [9] - 谷歌内部实战编程环境中，Carbon能连续运行好几天，在庞大复杂代码库中自主摸索，即使多次撞上死胡同也能持续死磕，独立完成从定位隐蔽Bug根因到写出修复补丁的多步工程任务 [13] 超长上下文与多步决策 - GraphWalks（256k至1M上下文）：Carbon拿到96.2%，大幅甩开Opus 5.5的66.8%和Astra的71.8% [15] - Vending-Bench 2模拟长周期商业经营：Carbon最终账户余额达16,484美元，接近Opus 5.5（9,235美元）的1.8倍，Astra为15,515美元 [15] - Agents' Last Exam v1.1：Carbon得分77.4%，高于Astra的73.1%和Opus 5.5的71.6% [9] 知识工作与多模态理解 - AutomationBench（Zapier）：Carbon达53.9%，远高于Argon的51.3%、Opus 5.5的42.5%和Astra的41.4% [9] - Chartography：Carbon为72.5%，Opus 5.5为66.3% [9] - Blueprint-Bench 2相似度得分：Carbon为58.6%，Opus 5.5为51.2% [9] - RiemannBench：Carbon为80.0%，Opus 5.5为69.6% [9] 网络安全防御全生命周期 - SEC-bench Pro（含V8引擎、Linux内核等真实高危漏洞）：Carbon拿下88.2%，大幅甩开前代Argon的78.8%，超越GPT-6 Astra的85.4%，创下全新SOTA [28] - ExploitGym漏洞利用基准：Carbon以54.8%刷新SOTA，此前Argon为35.1%，Astra为42.4% [30] - CWE-bench（涵盖73种常见弱点枚举的真实仓库审计修复测试）：Carbon达71.0%，碾压Opus 5.5的67.0%和Argon的68.0% [32] - 谷歌内部安全基准测试中，Carbon生成安全代码的成功率比Argon提升2倍以上 [33] - Chrome浏览器团队实战对比中，Carbon生成高质量安全补丁的表现比另一家顶级实验室的大型前沿模型强出10倍以上 [33] 防作弊与对齐表现 - Terminal-Bench 4.0上Carbon将成功作弊率压到0.0%，尝试走捷径作弊的比例跌至0.4% [34] - 谷歌内部实况编程环境中，高严重性失调警报暴跌近80% [35] - Carbon做出无根据断言的频率比Argon降低约2倍 [36] - 端到端执行多步计划时，越界操作减少26%，敷衍漏做减少29% [40] - Gray Swan IPI基准测试中，Carbon交出0.0%攻击成功率，成功抵御评估中每一次攻击尝试，前代Argon被攻破率为0.7% [42][43] 定价与Token效率 - Carbon首发阶段延续Argon半价折扣，输入2美元/百万Token、输出10美元/百万Token，账面单价仅为Opus 5.5（4美元/20美元）的一半 [9] - 针对Agent任务高频使用的缓存命中输入给出95%折扣，低至0.2美元/百万Token [10] - Opus 5.5完成单次Intelligence Index评估平均消耗17.3万输出Token，Carbon仅需12.3万Token，输出量减少29% [24] - 即便恢复至与Opus 5.5相同的4美元/20美元标准定价，Carbon单次任务平均成本7.76美元仍比Opus 5.5的10.04美元低23%左右 [24] - 算上当前2美元/10美元首发半价，Carbon实际生产环境账单成本不到Opus 5.5的四成 [25] - WebDev Arena上Carbon Elo分数上涨89分至1769分，全球第四，但平均任务成本更低，Cost/Task为1.62美元，远低于Opus 5.5的9.01美元和Astra的9.39美元 [16][17] 研发节奏与发布安排 - 谷歌内部同时并行训练和评估Argon、Barium、Carbon等多个Gemini 4存档点，公开发布的Argon实为内部的Barium-B存档点 [48] - DeepMind高级副总裁、首席AI架构师Koray Kavukcuoglu表示，研究人员正与模型携手并进，以更快速度推进能力演进，同时同步强化安全护栏 [49] - 由于Carbon具备较强漏洞挖掘与利用能力，需进行发布前测试流程，从本周开始率先向一部分网络安全防御人员开放 [51] - 行业关注Anthropic上市关键节点上是否放出Fable 5.5，以及OpenAI在中杯Terra模型和短信通知Dot上的动向 [53]